MintFlow
MintFlow是一个无需训练的约束采样框架，基于流匹配生成模型，通过对预训练流轨迹施加最小干预实现约束满足，利用伴随公式推导闭式扰动表达式，并自适应选择干预时机以平衡约束满足与分布保真度
时间轴 (近 90 天)
MintFlow 是一个无需训练（training-free）的约束采样框架，将约束施加过程重新表述为对预训练流轨迹的最小干预
MintFlow 不改动预训练模型的流场，而是寻找对某个中间流状态的最小扰动，使扰动后的状态在原有流场下演化后满足目标约束
MintFlow 采用伴随（adjoint）公式推导所需扰动，得到该扰动的闭式表达式
MintFlow 的闭式解使扰动量可直接计算得出，避免了昂贵的迭代优化，大幅降低采样成本
MintFlow 自适应地选择干预时间，以平衡所需扰动幅度与其被剩余流演化过程放大的程度
论文在生成式视觉和物理系统建模等任务上评估 MintFlow，结果显示其在实现有竞争力约束满足度的同时，相比当前最先进约束方法能显著更好地保留预训练生成分布
MintFlow 的实验结果表明其能在约束满足度与生成质量之间取得更好的帕累托前沿
MintFlow 是一篇刚公布的 arXiv 预印本论文
全部知识事实 (8)
MintFlow 是一个无需训练（training-free）的约束采样框架，将约束施加过程重新表述为对预训练流轨迹的最小干预
50%待验证MintFlow 不改动预训练模型的流场，而是寻找对某个中间流状态的最小扰动，使扰动后的状态在原有流场下演化后满足目标约束
50%待验证MintFlow 采用伴随（adjoint）公式推导所需扰动，得到该扰动的闭式表达式
50%待验证MintFlow 的闭式解使扰动量可直接计算得出，避免了昂贵的迭代优化，大幅降低采样成本
50%待验证MintFlow 自适应地选择干预时间，以平衡所需扰动幅度与其被剩余流演化过程放大的程度
50%待验证论文在生成式视觉和物理系统建模等任务上评估 MintFlow，结果显示其在实现有竞争力约束满足度的同时，相比当前最先进约束方法能显著更好地保留预训练生成分布
50%待验证MintFlow 的实验结果表明其能在约束满足度与生成质量之间取得更好的帕累托前沿
50%待验证MintFlow 是一篇刚公布的 arXiv 预印本论文
50%